Understanding Incident Effects on Subway Operations: Clustering Analysis of Severity Patterns
Notice bibliographique
Résumé
Incidents pose challenges to the reliable operation of urban rail transit systems. Given the high frequency of subway services, even minor incidents can cause cascading delays across multiple trains. Understanding incident effects is crucial for improving response time and enabling efficient recovery strategies. This study uses operational records from the Montreal subway system to quantify the overall impact of incidents including the number of affected trains and total delay time. The proposed approach involves integrating operational records with incident data to identify the source of delays and subsequent knock-on effects. To recognize distinct propagation patterns among various incident types, K-means clustering is applied to categorize incidents into three clusters. Cluster 1 represents incidents with the lowest impacts, affecting only one direction of a subway line and imposing an average total delay time of 16 min. Cluster 2, which comprises most incidents, causing moderate operational impacts with an average total delay time of 52 min. Cluster 3 includes severe incidents, affecting an average of 26 trains and causing a total delay time of 273 min. Peak hour analysis indicates that morning and evening peak hours have the highest average number of affected trains, emphasizing the impact of peak hours on incident severity. Investigation into the causes of incidents highlights that the most frequent incidents fall into Cluster 2, implying moderate impacts on subway operations. This research provides valuable insights into subway incident management, laying the groundwork for further studies aimed at enhancing the performance of urban rail transit systems during service disruptions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».